Problemstellung

Bei der datengetriebener Predictive Maintenance wird anhand von Modellen geschätzt, wann ein Maschinenteil ausfallen könnte, um eine korrigierende Wartung vor dem Ausfall effizient planen zu können. Im Detail ist das Ziel der Predictive Maintenance die Wartung zum günstigsten und kosteneffizientesten Zeitpunkt zu planen, damit die Lebensdauer der Maschinen optimal genutzt werden kann. In unserem Fall werden diverse tribologische (reibungsspezifische) Parameter einer Stahloberfläche – welche durch unterschiedliche Schleifpapiertypen bearbeitet wurden – geschätzt, um optimale Wartungsintervall bei der Fertigung von Produkten festlegen zu können.

Zielsetzung / Herangehensweise / Lösung

Der erstellte Prototyp identifiziert und quantifiziert die kausalen Zusammenhänge, welche die Schleifpapierkörnung auf diverse tribologische Parameter hat. Anhand von selbstadaptierende linear-log polynomialen Quantilsregressionen werden die Effekte, welche die Schleifpapierkörnung auf die mittlere arithmetische Höhe, mittlere quadratische Höhe, Kontaktfläche und den durchschnittlichen Druck hat, geschätzt. Diese Methode wird von Ausreißern nicht bzw. kaum beeinflusst und wählt den Grad des Polynoms anhand eines Optimierungsverfahren. Alle tribologische Parameter weisen einen klaren kausalen Zusammenhang zur Schleifpapierkörnung auf.

Nachdem alle relevanten tribologischen Parameter mit der Schleifpapierkörnung in Relation gesetzt wurden, können Erwartungswerte der Parameter inklusive deren 90% Konfidenzintervall auf Basis unterschiedlicher Schleifpapiertypen berechnet werden.

Nutzen

Wenn man die Belastung der Stahloberfläche vorab weiß, kann anhand dieses Verfahrens die optimale Schleifpapierkörnung identifiziert werden, welche zu einem Produkt führt, das einem bestimmten Wartungsintervall folgt. Somit kann jeglicher Prozess, welcher eine Stahlabnützung mit sich bringt, optimiert werden, indem man ein optimales Wartungsintervall angibt. Dies führt nicht nur zu einheitlichen Wartungsintervallen, welche mit anderen Geräten abgestimmt werden können, sondern auch zu einem Kostenersparnis hinsichtlich ungeplanter Wartungen und Stillstandszeiten. Mit Hilfe dieses Konzeptes können auch andere Abnutzungsprozesse modelliert und optimiert werden. 

Problemstellung

In diesem Szenario wird der Zustand einer Stahlschiene, auf welcher sich ein Schlitten mit einer bestimmten Last bewegt, ermittelt um den optimalen Zeitpunkt für den Austausch der Stahlschiene zu berechnen.

Zielsetzung / Herangehensweise / Lösung

Der erstellte Prototyp liefert eine akkurate Einschätzung des Abnutzungsprozesses der Stahlschiene. Anhand eines Deep Learning Segmentierungsmodels bekommt der Operator Informationen über den Abnutzungsgrad der Stahlschiene, welcher auf der abgeriebenen Oberfläche basiert. Die Lokalisation und Größe der Abnutzung wird benötigt um die verbleibende Nutzungsdauer der Schiene zu ermitteln. Mit Hilfe zahlreicher abgenutzter Schienen und deren zeitliche Historie kann somit berechnet werden, wie lange die Stahlschiene noch von Nutzen sein wird bevor sie ausgeschieden und ersetzt werden muss.

Nutzen

Anhand eines Deep Learning Segmentierungsmodels können wir die abgeriebene Oberfläche der Stahlschiene berechnen, welche einen Hinweis über den derzeitigen Zustand der Schiene gibt und diese austauschen, bevor es zu einem abrupten Stillstand des Schlittens kommen würde. Dies führt nicht nur zu einer akkuraten Vorhersage von zukünftigen Ausfällen, sondern auch zu einem maximalen Nutzen der Stahlschiene und somit zu einer zweifachen Kostenreduktion hinsichtlich ungeplanter Wartungen und Stillstandszeiten. Mit Hilfe dieses Konzeptes können auch andere Abnutzungsprozesse modelliert und optimiert werden. 

Problemstellung

Mit der steigenden Anzahl an Produktvariationen wird eine komplexe Abhängigkeit zwischen Montagelinien kreiert, welche wiederum zu einem Verständnisproblem von Produktionsprozessen innerhalb eines Unternehmens führt. Dies führt oft zu suboptimalen Produktionsprozessen welche die Produktqualität mindern. Um die Interaktionen zwischen den Montagelinien verstehen zu können müssen sämtliche Produktionsprozesse im Detail analysiert und veranschaulicht werden. Dadurch können Schritte identifizieren werden, welche zu einer höheren Produktqualität sowie zu einer Kostenersparnis führt.

Zielsetzung / Herangehensweise / Lösung

Ziel ist es, anhand von Bayesian Structure Learning Prozesse von Produktionslinien abzubilden und komplexe Abhängigkeiten zu zu identifizieren. Die komplexen Abhängigkeiten sollen automatisch anhand von Daten erlernt und anschließend grafisch dargestellt werden.

Nutzen

Unsere Lösung kann mögliche Fehlerursachen erkennen sowie komplexe Abhängigkeiten und Redundanzen von Montagelinien identifizieren. Dies führt zu einer höheren Produktqualität, einem optimaleren Zeitmanagement und einem besseren Verständnis der Montagelinien.

[Hier geht es zum Prototypen]